속도_최적화
-
numpy array로 바꿔서 사용하기
gpt 답변:
numpy array를 사용하는 것이 순수 파이썬 리스트보다 여러 가지 연산에 있어서 훨씬 빠릅니다. 주요한 이유는 다음과 같습니다:
메모리 사용 최적화: numpy array는 동일한 데이터 타입의 요소만을 저장하므로 메모리 사용이 최적화됩니다. 반면 파이썬 리스트는 다양한 데이터 타입의 요소를 저장할 수 있어 메모리 효율이 떨어질 수 있습니다.
내부 최적화: numpy는 내부적으로 C로 작성되었기 때문에 파이썬에서 직접 작성한 코드보다 연산이 빠르게 진행됩니다.
벡터화된 연산: numpy는 배열 전체에 대한 연산을 한 번에 처리할 수 있어서 빠른 연산 속도를 제공합니다. 이러한 기능을 "벡터화된 연산"이라고 합니다.
브로드캐스팅: numpy는 브로드캐스팅이라는 기능을 제공하여, 서로 다른 크기의 배열 간 연산을 효과적으로 수행할 수 있습니다.
효율적인 메모리 접근: numpy array는 연속된 메모리 공간에 저장되기 때문에 메모리 접근이 더 효율적입니다.
따라서, 대량의 수치 데이터를 다룰 때나 수학적 연산이 많이 필요한 경우에는 numpy array를 사용하는 것이 훨씬 효율적입니다. -
for 보다 where 사용하기
gpt 답변:
대체적으로 numpy의 where와 같은 내장된 벡터 연산 함수들은 순수 파이썬의 for 루프보다 빠릅니다. 그 이유는 여러 가지입니다:
C 기반 구현: numpy는 내부적으로 C로 구현되어 있기 때문에 파이썬의 인터프리터 오버헤드 없이 연산을 수행할 수 있습니다.
병렬화: 벡터 연산은 종종 병렬로 처리될 수 있어 여러 코어를 사용하여 빠르게 수행됩니다.
캐시 최적화: 연속적인 메모리 접근 패턴 덕분에 CPU 캐시를 효과적으로 활용합니다.
연속적인 메모리 할당: numpy 배열은 메모리에 연속적으로 할당되므로 메모리 접근이 더 빠르게 이루어집니다.
하지만, 모든 상황에서 numpy의 where가 for 루프보다 빠른 것은 아닙니다. 연산의 복잡성, 배열의 크기 및 데이터 타입 등 여러 요소가 성능에 영향을 줄 수 있습니다. 따라서 성능을 최적화하려면 주어진 문제와 데이터에 따라 여러 방법을 시도해보고 적절한 방법을 선택하는 것이 중요합니다. -
append보다 할당된 자리에 추가하기
메모리 할당: 리스트의 크기를 미리 정의하면 메모리가 한 번에 할당됩니다. 반면 append() 메소드를 사용할 경우, 리스트의 크기가 늘어날 때마다 추가적인 메모리 할당이 필요할 수 있습니다. 이로 인해 메모리 재할당과 데이터 복사 작업이 여러 번 발생할 수 있습니다.
인덱스 액세스: 리스트 크기를 알면 미리 할당된 메모리 위치에 직접 데이터를 할당하기 때문에, 데이터 삽입 시간이 매우 빠릅니다. append() 메소드에서는 리스트의 끝에 데이터를 추가하는 작업이 필요합니다.
실제로 append() 메서드는 리스트의 끝에 요소를 추가하는 것이 매우 효율적입니다. 내부적으로 list는 동적 배열로 구현되어 있기 때문에, 여분의 메모리를 가지고 있어서 대부분의 경우에는 append() 호출 시 추가적인 메모리 할당이 필요하지 않습니다. 문제는 list의 기본 용량이 초과될 경우 발생합니다. 이 경우 새로운, 더 큰 메모리 공간을 할당하고 기존의 데이터를 새로운 메모리 위치로 복사해야 합니다. 이런 재할당이 발생하는 시점은 드물지만, 발생할 경우 추가적인 시간이 소요됩니다.
리스트의 크기를 알면 이를 미리 지정하므로, 이러한 메모리 재할당이 발생하지 않습니다. 따라서, "리스트의 끝에 데이터를 추가하는 작업" 자체가 시간이 오래 걸리는 것은 아닙니다. 차이는 메모리 재할당과 관련된 것입니다.
.
.
.
.
